RH
Equipo 1
2022-09-23
Importar Base de Datos
rh <- read.csv("C:\\Users\\chema\\Downloads\\recursoshumanos.csv")Importar Librerias
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(plyr)## ------------------------------------------------------------------------------## You have loaded plyr after dplyr - this is likely to cause problems.
## If you need functions from both plyr and dplyr, please load plyr first, then dplyr:
## library(plyr); library(dplyr)## ------------------------------------------------------------------------------##
## Attaching package: 'plyr'## The following objects are masked from 'package:dplyr':
##
## arrange, count, desc, failwith, id, mutate, rename, summarise,
## summarizelibrary(ggplot2)
library(naniar)
library(Hmisc) ## Loading required package: lattice## Loading required package: survival## Loading required package: Formula##
## Attaching package: 'Hmisc'## The following objects are masked from 'package:plyr':
##
## is.discrete, summarize## The following objects are masked from 'package:dplyr':
##
## src, summarize## The following objects are masked from 'package:base':
##
## format.pval, unitslibrary(psych)##
## Attaching package: 'psych'## The following object is masked from 'package:Hmisc':
##
## describe## The following objects are masked from 'package:ggplot2':
##
## %+%, alphalibrary(tidyverse)## ── Attaching packages
## ───────────────────────────────────────
## tidyverse 1.3.2 ──## ✔ tibble 3.1.8 ✔ purrr 0.3.4
## ✔ tidyr 1.2.0 ✔ stringr 1.4.1
## ✔ readr 2.1.2 ✔ forcats 0.5.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ psych::%+%() masks ggplot2::%+%()
## ✖ psych::alpha() masks ggplot2::alpha()
## ✖ plyr::arrange() masks dplyr::arrange()
## ✖ purrr::compact() masks plyr::compact()
## ✖ plyr::count() masks dplyr::count()
## ✖ plyr::failwith() masks dplyr::failwith()
## ✖ dplyr::filter() masks stats::filter()
## ✖ plyr::id() masks dplyr::id()
## ✖ dplyr::lag() masks stats::lag()
## ✖ plyr::mutate() masks dplyr::mutate()
## ✖ plyr::rename() masks dplyr::rename()
## ✖ Hmisc::src() masks dplyr::src()
## ✖ plyr::summarise() masks dplyr::summarise()
## ✖ Hmisc::summarize() masks plyr::summarize(), dplyr::summarize()library(janitor)##
## Attaching package: 'janitor'
##
## The following objects are masked from 'package:stats':
##
## chisq.test, fisher.testlibrary(knitr)
library(pollster)##
## Attaching package: 'pollster'
##
## The following object is masked from 'package:janitor':
##
## crosstabAnalizar base de datos
summary(rh)## No..De.Empleado APELLIDOS NOMBRE FECHA.DE.NACIMIENTO
## Min. : 1.00 Length:113 Length:113 Length:113
## 1st Qu.: 24.75 Class :character Class :character Class :character
## Median : 48.50 Mode :character Mode :character Mode :character
## Mean : 56.88
## 3rd Qu.: 82.00
## Max. :148.00
## NA's :21
## GENERO RFC FECHA.DE.ALTA Primer.mes
## Length:113 Length:113 Length:113 Length:113
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## X4to.mes BAJA PUESTO DEPARTAMENTO
## Length:113 Min. :3 Length:113 Length:113
## Class :character 1st Qu.:3 Class :character Class :character
## Mode :character Median :3 Mode :character Mode :character
## Mean :3
## 3rd Qu.:3
## Max. :3
## NA's :100
## NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## Length:113 Min. :144.4 Length:113
## Class :character 1st Qu.:176.7 Class :character
## Mode :character Median :180.7 Mode :character
## Mean :179.1
## 3rd Qu.:180.7
## Max. :337.1
##
## No..CREDITO.INFONAVIT LUGAR.DE.NACIMIENTO CURP
## Length:113 Length:113 Length:113
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
##
## CALLE NUMERO.INTERNO COLONIA MUNICIPIO
## Length:113 Length:113 Length:113 Length:113
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## ESTADO CODIGO.POSTAL ESTADO.CIVIL TARJETA....CUENTA
## Length:113 Min. :25016 Length:113 Length:113
## Class :character 1st Qu.:66640 Class :character Class :character
## Mode :character Median :66646 Mode :character Mode :character
## Mean :63365
## 3rd Qu.:66649
## Max. :67493
## str(rh)## 'data.frame': 113 obs. of 26 variables:
## $ No..De.Empleado : int 1 2 3 4 5 6 7 8 9 10 ...
## $ APELLIDOS : chr "MARTINEZ DE LOERA" "DE LEON MORENO" "HERNANDEZ CERVANTES" "CAZARES MORALES" ...
## $ NOMBRE : chr "NICOLAS" "MARIANA" "JOSE LUIS" "MARIA" ...
## $ FECHA.DE.NACIMIENTO : chr "9/10/1955" "5/14/1979" "11/21/1949" "5/1/1990" ...
## $ GENERO : chr "MASCULINO" "FEMENINO" "MASCULINO" "FEMENINO" ...
## $ RFC : chr "MALN550910338" "LEMM7905148GA" "HECL4911213X3" "CAMM9005019S8" ...
## $ FECHA.DE.ALTA : chr "7/1/2010" "7/1/2011" "22/11/2011" "1/30/2013" ...
## $ Primer.mes : chr "7/31/2010" "7/31/2011" "" "3/1/2013" ...
## $ X4to.mes : chr "10/29/2010" "10/29/2011" "" "5/30/2013" ...
## $ BAJA : int NA NA NA NA NA NA NA NA NA NA ...
## $ PUESTO : chr "Supervisor de M\xe1quin" "Supervisor de pegado" "Externo" "SUPERVISORA" ...
## $ DEPARTAMENTO : chr "Produccion Cart\xf3n MDL" "Produccion Cart\xf3n MDL" "Externo" "Produccion Cart\xf3n MC" ...
## $ NO.SEGURO.SOCIAL : chr "43745527937" "43127902955" "2184909675" "43089001317" ...
## $ SALARIO.DIARIO.IMSS : num 177 177 177 337 177 ...
## $ FACTOR.CRED.INFONAVIT: chr "" "" "" "" ...
## $ No..CREDITO.INFONAVIT: chr "" "" "" "" ...
## $ LUGAR.DE.NACIMIENTO : chr "" "" "" "" ...
## $ CURP : chr "MALN550910HZSRRC09" "LEMM790514MCLNRR09" "HECL491121HJCRRS04" "CAMM900501MVZZRR00" ...
## $ CALLE : chr "JOSE I LUGO" "44682" "HACIENDA SAN CRISTOBAL" "RIO ACAPONETA" ...
## $ NUMERO.INTERNO : chr "" "115" "" "" ...
## $ COLONIA : chr "UNIDAD LABORAL" "SANTA TERESITA" "VILLAS DE HUINALA" "PUEBLO NUEVO" ...
## $ MUNICIPIO : chr "SAN NICOLAS DE LOS G" "APODACA" "APODACA" "APODACA" ...
## $ ESTADO : chr "Nuevo Le\xf3n" "Nuevo Le\xf3n" "Nuevo Le\xf3n" "Nuevo Le\xf3n" ...
## $ CODIGO.POSTAL : int 66440 66605 66634 66649 66620 25016 66633 66649 25290 66473 ...
## $ ESTADO.CIVIL : chr "Soltero" "Soltero" "Soltero" "Casado" ...
## $ TARJETA....CUENTA : chr "BANORTE" "BANORTE" "BANORTE" "BANORTE" ...dim(rh)## [1] 113 26La base de datos Recursos Humanos:Colaboradores tiene 26 variables y 113 registros.
Clasificación de Variables
Variablerhc<-c("`No..De.Empleado`","`APELLIDOS`","`NOMBRE`","`FECHA.DE.NACIMIENTO`", "`GENERO`","`RFC`","`FECHA.DE.ALTA`","`Primer.mes`","`X4to.mes`","`BAJA`","`PUESTO`","`DEPARTAMENTO`","`NO.SEGURO.SOCIAL`","`SALARIO.DIARIO.IMSS`","`FACTOR.CRED.INFONAVIT`","`NÂ..CREDITO.INFONAVIT`","`LUGAR.DE.NACIMIENTO`","`CURP`","`CALLE`")
Typerhc<-c("qualitative (nominal)", "qualitative (nominal)","qualitative (nominal)", "quantitative (continous)","qualitative (nominal)","qualitative (nominal)","quantitative (continous)","quantitative (continous)","quantitative (continous)","quantiative (discrete)","qualitative (nominal)","qualitative (nominal)","quantitative (discrete)","quantitative (continuos)","quantitative (continuos)","quantitative (discrete)", "qualitative (nominal)", "qualitative (nominal)", "qualitative (nominal)")
tablerhc<-data.frame(Variablerhc,Typerhc)
knitr::kable(tablerhc)| Variablerhc | Typerhc |
|---|---|
No..De.Empleado |
qualitative (nominal) |
APELLIDOS |
qualitative (nominal) |
NOMBRE |
qualitative (nominal) |
FECHA.DE.NACIMIENTO |
quantitative (continous) |
GENERO |
qualitative (nominal) |
RFC |
qualitative (nominal) |
FECHA.DE.ALTA |
quantitative (continous) |
Primer.mes |
quantitative (continous) |
X4to.mes |
quantitative (continous) |
BAJA |
quantiative (discrete) |
PUESTO |
qualitative (nominal) |
DEPARTAMENTO |
qualitative (nominal) |
NO.SEGURO.SOCIAL |
quantitative (discrete) |
SALARIO.DIARIO.IMSS |
quantitative (continuos) |
FACTOR.CRED.INFONAVIT |
quantitative (continuos) |
NÂ..CREDITO.INFONAVIT |
quantitative (discrete) |
LUGAR.DE.NACIMIENTO |
qualitative (nominal) |
CURP |
qualitative (nominal) |
CALLE |
qualitative (nominal) |
#Limpieza de datos ## Reemplazar datos erroneos
En esta base de datos encontramos algunos salarios que estan muy por encima de lo normal, lo cual se nos hizo extraño. Es por esto que se decidió hacer una limpieza de estos datos.
El salario es de 1516728571.00, mientras que colaboradores del misma area perciben un salario de 151.61, lo cual es muy parecida a la cifra capturada erroneamente, por lo que podemos inferir que al capturar los datos hubo un error de dedo o se olvido acomodar decimales. Es por esto que este valor se igualará al resto de los compañeros de trabajo. Aplicando la misma metodologia se cambió el salario de otra persona que tenia registrado un salaro muy por encima de lo normal.
rh2 <- rh
rh2$SALARIO.DIARIO.IMSS<-format(rh2$SALARIO.DIARIO.IMSS, scientific = FALSE)
rh2$SALARIO.DIARIO.IMSS<-as.numeric(rh2$SALARIO.DIARIO.IMSS)
unique(rh2$SALARIO.DIARIO.IMSS) %>% format(rh2$SALARIO.DIARIO.IMSS, scientific = FALSE)## [1] "176.72" "337.05" "260.01" "240.75" "152.86" "175.79" "144.45" "279.61"
## [9] "151.67" "208.65" "240.71" "151.61" "180.68" "181.68" "184.68" "185.68"rh2[rh2$SALARIO.DIARIO.IMSS == 1516728571.00, ]## [1] No..De.Empleado APELLIDOS NOMBRE
## [4] FECHA.DE.NACIMIENTO GENERO RFC
## [7] FECHA.DE.ALTA Primer.mes X4to.mes
## [10] BAJA PUESTO DEPARTAMENTO
## [13] NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## [16] No..CREDITO.INFONAVIT LUGAR.DE.NACIMIENTO CURP
## [19] CALLE NUMERO.INTERNO COLONIA
## [22] MUNICIPIO ESTADO CODIGO.POSTAL
## [25] ESTADO.CIVIL TARJETA....CUENTA
## <0 rows> (or 0-length row.names)filter(rh2, DEPARTAMENTO == "Producción Retorn")## [1] No..De.Empleado APELLIDOS NOMBRE
## [4] FECHA.DE.NACIMIENTO GENERO RFC
## [7] FECHA.DE.ALTA Primer.mes X4to.mes
## [10] BAJA PUESTO DEPARTAMENTO
## [13] NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## [16] No..CREDITO.INFONAVIT LUGAR.DE.NACIMIENTO CURP
## [19] CALLE NUMERO.INTERNO COLONIA
## [22] MUNICIPIO ESTADO CODIGO.POSTAL
## [25] ESTADO.CIVIL TARJETA....CUENTA
## <0 rows> (or 0-length row.names)rh2$SALARIO.DIARIO.IMSS[rh2$NOMBRE == "JAIME ERNESTO"] <- 151.61
unique(rh2$SALARIO.DIARIO.IMSS)## [1] 176.72 337.05 260.01 240.75 152.86 175.79 144.45 279.61 151.67 208.65
## [11] 240.71 151.61 180.68 181.68 184.68 185.68rh2[rh2$SALARIO.DIARIO.IMSS == 4413757.00, ]## [1] No..De.Empleado APELLIDOS NOMBRE
## [4] FECHA.DE.NACIMIENTO GENERO RFC
## [7] FECHA.DE.ALTA Primer.mes X4to.mes
## [10] BAJA PUESTO DEPARTAMENTO
## [13] NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## [16] No..CREDITO.INFONAVIT LUGAR.DE.NACIMIENTO CURP
## [19] CALLE NUMERO.INTERNO COLONIA
## [22] MUNICIPIO ESTADO CODIGO.POSTAL
## [25] ESTADO.CIVIL TARJETA....CUENTA
## <0 rows> (or 0-length row.names)filter(rh2, DEPARTAMENTO == "Costura")## No..De.Empleado APELLIDOS NOMBRE FECHA.DE.NACIMIENTO
## 1 5 LOPEZ RAMOS YOLANDA 9/6/1965
## 2 7 PERALTA MARTINEZ ARACELY 7/1/1967
## 3 26 GARCIA CARRIZALES MA DEL CARMEN 2/3/1978
## 4 30 MENDOZA NAVARRO ADELAIDA 12/16/1979
## 5 31 BARRON RAMOS BLANCA OLIVIA 6/29/1969
## 6 43 VAZQUEZ CEPEDA JOSE ALFREDO 8/28/1963
## 7 51 NATIVIDAD MARTINEZ MARCIANA 1/4/1967
## GENERO RFC FECHA.DE.ALTA Primer.mes X4to.mes BAJA PUESTO
## 1 FEMENINO LORY650906DBA 5/5/2014 6/4/2014 9/2/2014 NA SUPERVISORA
## 2 FEMENINO PEMA6707017U2 8/6/2015 9/5/2015 12/4/2015 NA COSTURERA
## 3 FEMENINO GACM780203JT9 4/7/2020 5/7/2020 8/5/2020 NA COSTURERA
## 4 FEMENINO MENA791216NF0 8/26/2020 9/25/2020 12/24/2020 NA COSTURERA
## 5 FEMENINO BARB690629HF9 8/28/2020 9/27/2020 12/26/2020 NA COSTURERA
## 6 MASCULINO VACA630828F84 8/12/2021 9/11/2021 12/10/2021 NA COSTURERA
## 7 FEMENINO NAMM670104G81 12/6/2021 1/5/2022 4/5/2022 NA COSTURERA
## DEPARTAMENTO NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS FACTOR.CRED.INFONAVIT
## 1 Costura 43836531525 176.72
## 2 Costura 3876700802 260.01
## 3 Costura 43007814338 240.71
## 4 Costura 47967919706 176.72
## 5 Costura 43076902675 176.72
## 6 Costura 43806306155 176.72 N/A
## 7 Costura 0 2186770489 176.72 N/A
## No..CREDITO.INFONAVIT LUGAR.DE.NACIMIENTO CURP
## 1 LORY650906MNLPML08
## 2 PEMA670701MNLRRR02
## 3 GACC780203MTSRRR03
## 4 MENA791216MNLNVD00
## 5 BARB690629MNLRML15
## 6 N/A TERMINAL DE PROVIDENCIA - ZACATECAS VXCA630828HZSZPL02
## 7 N/A VERACRUZ NAMM670104MVZTRR00
## CALLE NUMERO.INTERNO COLONIA MUNICIPIO ESTADO
## 1 BETANZOS RINCON DE GALICIA APODACA Nuevo Le\xf3n
## 2 ALAMO TEMBLON ALAMOS DEL PARQUE APODACA Nuevo Le\xf3n
## 3 RIO LEMPA PUEBLO NUEVO APODACA Nuevo Le\xf3n
## 4 BLANCA 306 LOS CANDILES APODACA Nuevo Le\xf3n
## 5 RIO SENA 107 PUEBLO NUEVO APODACA Nuevo Le\xf3n
## 6 SECRETARIOS 825 LA ALIANZA SECTOR C MONTERREY NUEVO LEON
## 7 TAJIN 509 LA JOYA GUADALUPE NUEVO LEON
## CODIGO.POSTAL ESTADO.CIVIL TARJETA....CUENTA
## 1 66620 Soltero BANORTE
## 2 66633 Casado BANORTE
## 3 66646 Union Libre BANORTE
## 4 66647 CASADA BANORTE
## 5 66646 Casado BANORTE
## 6 64103 DIVORCIADO SANTANDER
## 7 67160 CASADA BANORTEfilter(rh2, PUESTO == "SUPERVISORA")## No..De.Empleado APELLIDOS NOMBRE FECHA.DE.NACIMIENTO GENERO
## 1 4 CAZARES MORALES MARIA 5/1/1990 FEMENINO
## 2 5 LOPEZ RAMOS YOLANDA 9/6/1965 FEMENINO
## RFC FECHA.DE.ALTA Primer.mes X4to.mes BAJA PUESTO
## 1 CAMM9005019S8 1/30/2013 3/1/2013 5/30/2013 NA SUPERVISORA
## 2 LORY650906DBA 5/5/2014 6/4/2014 9/2/2014 NA SUPERVISORA
## DEPARTAMENTO NO.SEGURO.SOCIAL SALARIO.DIARIO.IMSS
## 1 Produccion Cart\xf3n MC 43089001317 337.05
## 2 Costura 43836531525 176.72
## FACTOR.CRED.INFONAVIT No..CREDITO.INFONAVIT LUGAR.DE.NACIMIENTO
## 1
## 2
## CURP CALLE NUMERO.INTERNO COLONIA MUNICIPIO
## 1 CAMM900501MVZZRR00 RIO ACAPONETA PUEBLO NUEVO APODACA
## 2 LORY650906MNLPML08 BETANZOS RINCON DE GALICIA APODACA
## ESTADO CODIGO.POSTAL ESTADO.CIVIL TARJETA....CUENTA
## 1 Nuevo Le\xf3n 66649 Casado BANORTE
## 2 Nuevo Le\xf3n 66620 Soltero BANORTErh2$SALARIO.DIARIO.IMSS[rh2$NOMBRE == "YOLANDA"] <- 337.05
rh3<-rh2
rh3$FECHA.DE.ALTA<-as.Date(rh3$FECHA.DE.ALTA, format ="%d/%m/%Y")
rh3$FECHA.DE.NACIMIENTO<-as.Date(rh3$FECHA.DE.NACIMIENTO, format ="%d/%m/%Y")
rh3$Primer.mes<-as.Date(rh3$Primer.mes, format ="%d/%m/%Y")
rh3$X4to.mes<-as.Date(rh3$X4to.mes, format ="%d/%m/%Y")
str(rh3$FECHA.DE.ALTA)## Date[1:113], format: "2010-01-07" "2011-01-07" "2011-11-22" NA "2014-05-05" "2014-03-07" ...Graficos
Tabla Cruzada
tabla<-rh3 %>% tabyl(GENERO,SALARIO.DIARIO.IMSS)
tabla## GENERO 144.45 151.61 151.67 152.86 175.79 176.72 180.68 181.68 184.68
## FEMENINO 3 7 1 1 0 7 34 1 1
## MASCULINO 0 5 3 0 1 16 25 0 0
## 185.68 208.65 240.71 240.75 260.01 279.61 337.05
## 1 1 1 0 1 0 2
## 0 0 0 1 0 1 0Tablas de frecuencia
rh3["GENERO"][rh3["GENERO"] == ''] <- NA
rh3$GENERO<-rh3$GENERO%>% replace_na('FALTANTE')
genero<-rh3 %>% group_by(GENERO) %>% tally()
genero## # A tibble: 2 × 2
## GENERO n
## <chr> <int>
## 1 FEMENINO 61
## 2 MASCULINO 52tabla1<-rh3 %>% tabyl(PUESTO,SALARIO.DIARIO.IMSS)
tabla1## PUESTO 144.45 151.61 151.67 152.86 175.79 176.72
## Supervisor de M\xe1quin 0 0 0 0 0 1
## AY. GENERAL 0 7 0 0 0 0
## AYUDANTE DE MANTENIMIENTO 0 0 0 0 0 0
## Ayudante general 0 0 0 0 0 1
## AYUDANTE GENERAL 2 5 3 0 1 1
## CHOFER 0 0 0 0 0 3
## CHOFER GESTOR 0 0 0 0 0 0
## COSTURERA 0 0 0 1 0 4
## CUSTOMER SERVICE INF 0 0 0 0 0 1
## ENFERMERA 0 0 0 0 0 1
## Externo 0 0 0 0 0 1
## EXTERNO 0 0 1 0 0 0
## GESTOR 0 0 0 0 0 1
## GUARDIA DE SEGURIDAD 0 0 0 0 0 0
## INSPECTOR DE CALIDAD 0 0 0 0 0 0
## INSPECTORA DE CALIDAD 0 0 0 0 0 0
## LIDER 1 0 0 0 0 0
## LIMPIEZA 0 0 0 0 0 1
## MANTENIMIENTO 0 0 0 0 0 0
## MONTACARGUISTA 0 0 0 0 0 0
## MOZO 0 0 0 0 0 0
## OP. FLEXO-RANURADORA-REFILADORA 0 0 0 0 0 1
## OPERADOR SIERRA 0 0 0 0 0 0
## PINTOR 0 0 0 0 0 1
## RECIBO 0 0 0 0 0 1
## RESIDENTE 0 0 0 0 0 3
## SOLDADOR 0 0 0 0 0 1
## Supervisor de pegado 0 0 0 0 0 1
## SUPERVISORA 0 0 0 0 0 0
## 180.68 181.68 184.68 185.68 208.65 240.71 240.75 260.01 279.61 337.05
## 0 0 0 0 0 0 0 0 0 0
## 0 0 0 0 0 0 0 0 0 0
## 1 0 0 0 0 0 0 0 0 0
## 0 0 0 0 0 0 0 0 0 0
## 43 1 1 1 0 0 1 0 0 0
## 1 0 0 0 0 0 0 0 0 0
## 1 0 0 0 0 0 0 0 0 0
## 3 0 0 0 0 1 0 1 0 0
## 0 0 0 0 0 0 0 0 0 0
## 0 0 0 0 0 0 0 0 0 0
## 0 0 0 0 0 0 0 0 0 0
## 0 0 0 0 0 0 0 0 0 0
## 0 0 0 0 0 0 0 0 0 0
## 1 0 0 0 0 0 0 0 0 0
## 0 0 0 0 1 0 0 0 0 0
## 1 0 0 0 0 0 0 0 0 0
## 0 0 0 0 0 0 0 0 0 0
## 0 0 0 0 0 0 0 0 0 0
## 0 0 0 0 0 0 0 0 1 0
## 1 0 0 0 0 0 0 0 0 0
## 1 0 0 0 0 0 0 0 0 0
## 0 0 0 0 0 0 0 0 0 0
## 1 0 0 0 0 0 0 0 0 0
## 0 0 0 0 0 0 0 0 0 0
## 0 0 0 0 0 0 0 0 0 0
## 1 0 0 0 0 0 0 0 0 0
## 4 0 0 0 0 0 0 0 0 0
## 0 0 0 0 0 0 0 0 0 0
## 0 0 0 0 0 0 0 0 0 2Grafica de datos cualitativos
pie(prop.table(table(rh3$GENERO)),col=c("red","green"),main="Genero", ylab ="Frecuencias",las=1)
Grafica datos cuantitativos
genero_salprom<-aggregate(SALARIO.DIARIO.IMSS ~ GENERO, data = rh3, mean)
genero_salprom## GENERO SALARIO.DIARIO.IMSS
## 1 FEMENINO 182.2102
## 2 MASCULINO 177.9563hist(rh3$SALARIO.DIARIO.IMSS, col="cyan")
ggplot(genero_salprom,aes(x=GENERO,y=SALARIO.DIARIO.IMSS,fill=SALARIO.DIARIO.IMSS, col="red"))+
geom_bar(stat="identity", col="red")+
labs(title="Promedio de Salario por Genero")
Graficos de dispersión
boxplot(rh3$FECHA.DE.NACIMIENTO , vertical = TRUE)
plot(rh3$FECHA.DE.NACIMIENTO, rh2$SALARIO.DIARIO.IMSS, main = "Año de nacimiento",
xlab = "Edad", ylab = "Salario",
pch = 19, frame = FALSE)